咕泡-人工智能深度学习系统班（ 第十期）
总计: https://cdn.ldstatic.com/images/emoji/twemoji/file_folder.png?v=15 579 个文件夹, https://cdn.ldstatic.com/images/emoji/twemoji/page_facing_up.png?v=15 2998 个文件咕泡-人工智能深度学习系统班（第十期）
├──9 期资料
│ ├──1.第1章 直播课
│ │ ├──1-1 节开班典礼
│ │ │ └──人工智能详情页7.1.pdf
│ │ ├──1-10 节直播9：自监督任务
│ │ │ └──BEiT v2.pdf
│ │ ├──1-11 节直播10：知识蒸馏
│ │ │ ├──9-LDA与PCA算法.pdf
│ │ │ └──蒸馏.pdf
│ │ ├──1-12 节直播11：分割Mask2former算法
│ │ │ └──mask2former.pdf
│ │ ├──1-13 节直播12：多模态与交叉注意力应用
│ │ │ └──Loftr.pdf
│ │ ├──1-14节 直播13：时间序列timesnet与地理分类任务
│ │ │ ├──2210.02186.pdf
│ │ │ └──Time-Series-Library-main.zip
│ │ ├──1-2 神经网络
│ │ │ └──神经网络.pdf
│ │ ├──1-3 节直播2：卷积神经网络
│ │ │ └──卷积神经网络.pdf
│ │ ├──1-4 节直播3：Transformer架构解读
│ │ │ └──transformer.pdf
│ │ ├──1-5 节直播4：视觉Transformer- VIT源码解读
│ │ │ ├──Transformer在视觉中的应用VIT算法.pdf
│ │ │ └──ViT.zip
│ │ ├──1-6 节直播5：图神经网络
│ │ │ ├──Temporal Graph Neural Networks.pdf
│ │ │ ├──图卷积.pdf
│ │ │ ├──图注意力机制.pdf
│ │ │ ├──图神经网络.pdf
│ │ │ └──异构图.pdf
│ │ ├──1-7 节直播6：Transformer Decoder在视觉任务的应用
│ │ │ ├──AlignPS.pdf
│ │ │ ├──DETR课件.pdf
│ │ │ ├──Informer.pdf
│ │ │ └──可变形DETR.pdf
│ │ ├──1-8 节直播7：对比学习与多模态任务
│ │ │ ├──CLIP及其应用.pdf
│ │ │ └──对比学习.pdf
│ │ └──1-9节 直播8：GPT与Hugging face
│ │ ├──GPT系列.pdf
│ │ └──大模型.pdf
│ ├──10.第一十章 2022论必备-Transformer实战系列
│ │ ├──基础补充-Resnet模型及其应用实例
│ │ │ └──Resnet.pdf
│ │ ├──第十二，十三章
│ │ │ ├──2104.00680.pdf
│ │ │ ├──LoFTR.zip
│ │ │ └──Loftr.pdf
│ │ ├──谷歌开源项目BERT源码解读与应用实例
│ │ │ └──BERT开源项目及数据.zip
│ │ ├──2104.00680.pdf
│ │ ├──BEV.pdf
│ │ ├──Informer.pdf
│ │ ├──Informer.zip
│ │ ├──LoFTR.zip
│ │ ├──Loftr.pdf
│ │ ├──Medical-Transformer.zip
│ │ ├──Transformer在视觉中的应用VIT算法.pdf
│ │ ├──ViT.zip
│ │ ├── https://cdn.ldstatic.com/images/emoji/twemoji/page_facing_up.png?v=15 baiduyunguangjia_cfg_A900527E-5BA6-4d22-8E96-E40D5C6EDF61.cfg
│ │ ├──mask2former.pdf
│ │ ├──maskformer.pdf
│ │ ├──mmdetection-master.zip
│ │ ├──transformer.pdf
│ │ ├──可变形DETR.pdf
│ │ ├──第七章：detr目标检测源码解读.zip
│ │ ├──第五章：swintransformer源码解读.zip
│ │ ├──第六章：基于Transformer的detr目标检测算法.pdf
│ │ └──第四章：swintransformer算法原理解析.pdf
│ ├──11.第一十一章 图神经络实战
│ │ ├──3-图模型必备神器PyTorch Geometric安装与使用
│ │ │ └──工具包使用.zip
│ │ ├──4-使用PyTorch Geometric构建自己的图数据集
│ │ │ └──创建自己的数据集.zip
│ │ ├──5-图注意力机制与序列图模型
│ │ │ ├──Temporal Graph Neural Networks.pdf
│ │ │ ├──图注意力机制.pdf
│ │ │ └──时间序列CN.zip
│ │ ├──6-图相似度论文解读
│ │ │ └──1808.05689.pdf
│ │ ├──7-图相似度计算实战
│ │ │ └──Extended-SimGNN.zip
│ │ ├──8-基于图模型的轨迹估计
│ │ │ ├──数据集Demo.mp4
│ │ │ └──轨迹轨迹.pdf
│ │ ├──9-图模型轨迹估计实战
│ │ │ └──Vector.zip
│ │ ├──基于图模型的时间序列预测
│ │ │ ├──2110.05357.pdf
│ │ │ ├──Raindrop-main.rar
│ │ │ └──raindrop-AAAI22.pdf
│ │ ├──异构图神经网络
│ │ │ ├──HeterogeneousGraph.zip
│ │ │ ├──异构图.pdf
│ │ │ └──异构图神经网络.pdf
│ │ ├──第一章：图神经网络基础
│ │ │ └──图神经网络.pdf
│ │ └──第二章：图卷积GCN模型
│ │ └──图卷积.pdf
│ ├──12.第一十二章 3D点云实战
│ │ ├──第1节：3D点云应用领域分析
│ │ │ ├──激光雷达.mp4
│ │ │ └──点云.pdf
│ │ ├──第2节：3D点云PointNet算法
│ │ │ ├──CloudCompare.zip
│ │ │ └──PointNet++.pdf
│ │ ├──第3节：PointNet++算法解读
│ │ │ └──PointNet++.pdf
│ │ ├──第4节：Pointnet++项目实战
│ │ │ └──Pointnet2.zip
│ │ ├──第5节：点云补全PF-Net论文解读
│ │ │ ├──2003.00410.pdf
│ │ │ └──点云补全.pdf
│ │ ├──第6节：点云补全实战解读
│ │ │ └──PF-Net-Point-Fractal-Network.zip
│ │ ├──第7节：点云配准及其案例实战
│ │ │ ├──2003.13479.pdf
│ │ │ ├──RPMNet.zip
│ │ │ └──点云匹配.pdf
│ │ └──第8节：基础补充-对抗生成网络架构原理与实战解析
│ │ └──第八章：对抗生成网络架构原理与实战解析.zip
│ ├──13.第一十二章 向深度学习的驾驶实战
│ │ ├──1.深度估计算法解读
│ │ │ ├──Monocular_Depth_Estimation_Using_Laplacian_Pyramid-Based_Depth_Residuals.pdf
│ │ │ └──深度估计.pdf
│ │ ├──10-NeuralRecon项目源码解读
│ │ │ └──NeuralRecon
│ │ │ ├──all_tsdf_9.zip
│ │ │ ├──data.py
│ │ │ └──train_demo.zip
│ │ ├──11-TSDF算法与应用
│ │ │ └──TSDF.pdf
│ │ ├──12-TSDF实战案例
│ │ │ └──TSDF实例
│ │ │ └──tsdf-fusion-python-master.zip
│ │ ├──13-轨迹估计算法与论文解读
│ │ │ └──无人驾驶.pdf
│ │ ├──14-轨迹估计预测实战
│ │ │ └──Vector.zip
│ │ ├──15-特斯拉无人驾驶解读
│ │ │ └──Tesla无人驾驶.pdf
│ │ ├──2.深度估计项目实战
│ │ │ └──LapDepth.zip
│ │ ├──3-车道线检测算法与论文解读
│ │ │ └──基于深度学习的车道线检测.pdf
│ │ ├──4-基于深度学习的车道线检测项目实战
│ │ │ └──Lane-Detection.zip
│ │ ├──5-商汤LoFTR算法解读
│ │ │ ├──2104.00680.pdf
│ │ │ └──Loftr.pdf
│ │ ├──6-局部特征关键点匹配实战
│ │ │ └──LoFTR.zip
│ │ ├──7-三维重建应用与坐标系基础
│ │ │ └──三维重建.pdf
│ │ ├──8-NeuralRecon算法解读
│ │ │ ├──NeuralRecon.pdf
│ │ │ └──三维重建.pdf
│ │ └──9-NeuralRecon项目环境配置
│ │ └──参考其GITHUB即可
│ ├──14.第一十三章 对比学习与多模态任务实战
│ │ ├──ANINET源码解读
│ │ │ └──mmocr-main.zip
│ │ ├──CLIP系列
│ │ │ ├──CLIP.zip
│ │ │ └──CLIP及其应用.pdf
│ │ ├──多模态3D目标检测算法源码解读
│ │ │ └──mmdetection3d-1.0.0rc0.zip
│ │ ├──多模态文字识别
│ │ │ ├──ABINET.pdf
│ │ │ └──DBNET.pdf
│ │ └──对比学习算法与实例
│ │ ├──trainCLIP.py
│ │ └──对比学习.pdf
│ ├──15.第一十五章 缺陷检测实战
│ │ ├──PyTorch基础
│ │ │ ├──1-PyTorch框架基本处理操作.zip
│ │ │ ├──2-神经网络实战分类与回归任务.zip
│ │ │ └──3-图像识别核心模块实战解读.zip
│ │ ├──Resnet分类实战
│ │ │ └──Resnet.pdf
│ │ ├──第1-4章：YOLOV5缺陷检测
│ │ │ ├──Defective_Insulators.zip
│ │ │ ├──NEU-DET.zip
│ │ │ ├──YOLO5.zip
│ │ │ └──YOLO新版.pdf
│ │ ├──第11-12章：deeplab
│ │ │ ├──DeepLab.pdf
│ │ │ └──DeepLabV3Plus.zip
│ │ ├──第6-8章：Opencv各函数使用实例
│ │ │ ├──第一部分notebook课件.zip
│ │ │ └──第二部分notebook课件.zip
│ │ ├──DeepLab铁质材料缺陷检测与开源项目应用流程.zip
│ │ ├──第10章：基于视频流水线的Opnecv缺陷检测项目.zip
│ │ ├──第5章：Semi-supervised布料缺陷检测实战.zip
│ │ └──第9章：基于Opencv缺陷检测项目实战.zip
│ ├──16.第一十六章 重识别实战
│ │ ├──第1节：行人重识别原理及其应用
│ │ │ └──行人重识别.pdf
│ │ ├──第2节：基于注意力机制的ReId模型论文解读
│ │ │ └──Relation-Aware Global Attention.pdf
│ │ ├──第3节：基于Attention的行人重识别项目实战
│ │ │ └──Relation-Aware-Global-Attention-Networks.zip
│ │ ├──第4节：经典会议算法精讲（特征融合）
│ │ │ └──Relation Network for Person Re-identification.pdf
│ │ ├──第5节：项目实战-基于行人局部特征融合的再识别实战
│ │ │ └──Relation Network for Person Re-identification.zip
│ │ ├──第6节：旷视研究院最新算法解读（基于图模型）
│ │ │ └──Wang_High-Order_Information_Matters_Learning_Relation_and_Topology_for_Occluded_Person_CVPR_2020_paper.pdf
│ │ └──第7节：基于拓扑图的行人重识别项目实战
│ │ └──基于图模型的ReID(旷视).zip
│ ├──17.第一十七章 对抗成络实战
│ │ ├──第4节：stargan论文架构解析
│ │ │ ├──1912.01865.pdf
│ │ │ └──stargan.pdf
│ │ ├──第6节：基于starganvc2的变声器论文原理解读
│ │ │ ├──1907.12279.pdf
│ │ │ └──stargan-vc2.pdf
│ │ ├──第8节：图像超分辨率重构实战
│ │ │ ├──srdata.zip
│ │ │ └──srgan超分辨率重构.zip
│ │ ├──第9节：基于GAN的图像补全实战
│ │ │ ├──glcic图像补全.zip
│ │ │ └──图像补全人脸数据.zip
│ │ ├──cyclegan.pdf
│ │ ├──static.zip
│ │ ├──第2节：对抗生成网络架构原理与实战解析.zip
│ │ ├──第3节：基于CycleGan开源项目实战图像合成.zip
│ │ ├──第5节：stargan项目实战及其源码解读.zip
│ │ └──第7节：starganvc2变声器项目实战及其源码解读.zip
│ ├──18.第十八章 强化学习与AI黑科技实例
│ │ ├──AI黑科技实例
│ │ │ ├──1 节GPT系列生成模型
│ │ │ │ ├──GPT.zip
│ │ │ │ └──GPT系列.pdf
│ │ │ ├──2 节GPT建模与预测流程
│ │ │ │ └──ChinesePretrainedModels.zip
│ │ │ ├──3 节CLIP系列
│ │ │ │ ├──CLIP.zip
│ │ │ │ └──CLIP及其应用.pdf
│ │ │ ├──4 节Diffusion模型解读
│ │ │ │ └── https://cdn.ldstatic.com/images/emoji/twemoji/page_facing_up.png?v=15 annotated_diffusion.ipynb
│ │ │ ├──5 节Dalle2及其源码解读
│ │ │ │ ├──DALLE2-pytorch-main.zip
│ │ │ │ └──dalle2.pdf
│ │ │ └──6 节ChatGPT
│ │ │ └──GPT系列.pdf
│ │ ├──第1节：强化学习简介及其应用.pdf
│ │ ├──第2节：PPO算法与公式推导.pdf
│ │ ├──第3节：策略梯度实战-月球登陆器训练实例.zip
│ │ ├──第4节：DQN算法.pdf
│ │ ├──第5节：DQN算法实例演示.zip
│ │ ├──第7节：Actor-Critic算法分析(A3C).pdf
│ │ └──第8节：A3C算法玩转超级马里奥.zip
│ ├──19.第一十九章 面向医学领域的深度学习实战
│ │ ├──1-神经网络算法PPT
│ │ │ └──深度学习.pdf
│ │ ├──10-基于deeplab的心脏视频数据诊断分析
│ │ │ └──基于deeplab的心脏视频数据诊断分析.zip
│ │ ├──11-YOLO系列物体检测算法原理解读
│ │ │ ├──YOLO.pdf
│ │ │ └──YOLOv4.pdf
│ │ ├──12-基于YOLO5细胞检测实战
│ │ │ └──基于YOLO5细胞检测实战.zip
│ │ ├──13-知识图谱原理解读
│ │ │ └──知识图谱.pdf
│ │ ├──14-Neo4j数据库实战
│ │ │ └──NEO4J.pdf
│ │ ├──15-基于知识图谱的医药问答系统实战
│ │ │ └──配置与安装.pdf
│ │ ├──17-医学糖尿病数据命名实体识别
│ │ │ ├──eclipse-命名实体识别.zip
│ │ │ └──notebook-瑞金.zip
│ │ ├──4-基于Resnet的医学数据集分类实战
│ │ │ └──Resnet.pdf
│ │ ├──5-图像分割及其损失函数概述
│ │ │ └──深度学习分割任务.pdf
│ │ ├──6-Unet系列算法讲解
│ │ │ └──深度学习分割任务.pdf
│ │ ├──7-unet医学细胞分割实战
│ │ │ ├──新建文件夹
│ │ │ └──unet++.zip
│ │ ├──8-deeplab系列算法
│ │ │ └──DeepLab.pdf
│ │ ├──9-基于deeplabV3+版本进行VOC分割实战
│ │ │ └──DeepLabV3Plus.zip
│ │ ├──16-词向量模型与RNN网络架构.zip
│ │ ├──2-PyTorch框架基本处理操作.zip
│ │ └──3-PyTorch框架必备核心模块解读.zip
│ ├──2.第二章 深度学习必备核心算法
│ │ ├──Transformer在视觉中的应用VIT算法.pdf
│ │ ├──ViT.zip
│ │ ├──transformer.pdf
│ │ ├──卷积神经网络.pdf
│ │ └──神经网络.pdf
│ ├──20.第二十章 CV与NLP经典大模型解读
│ │ ├──第七章：视觉大模型SAM
│ │ │ └──SAM.pdf
│ │ ├──第三章：ChatGpt
│ │ │ └──GPT系列.pdf
│ │ ├──第九章：扩散模型
│ │ │ └── https://cdn.ldstatic.com/images/emoji/twemoji/page_facing_up.png?v=15 annotated_diffusion.ipynb
│ │ ├──第五章：LLM下游任务
│ │ │ └──Huatuo-Llama-Med-Chinese-main.zip
│ │ ├──第八章：视觉QA
│ │ │ └──From Images to Textual Prompts.pdf
│ │ ├──第六章：langchain
│ │ │ └──langchain-tutorials-main.zip
│ │ ├──第十一章：dalle2源码解读
│ │ │ └──DALLE2-pytorch-main.zip
│ │ ├──第十七章：BEVFORMER源码
│ │ │ └──bevformer.zip
│ │ ├──第十三章：BEIT
│ │ │ └──beit.pdf
│ │ ├──第十二章：自监督任务对比学习
│ │ │ └──对比学习.pdf
│ │ ├──第十五章：BEITV2源码
│ │ │ └──mmselfsup-1.x.zip
│ │ ├──第十六章：BEV感知
│ │ │ └──BEV.pdf
│ │ ├──第十四章：BEITV2
│ │ │ └──BEiT v2.pdf
│ │ ├──第十章：dalle2论文解读
│ │ │ └──dalle2.pdf
│ │ ├──第四章：LLM与LORA
│ │ │ └──大模型.pdf
│ │ ├──第一章：GPT系列.pdf
│ │ ├──第二章：ChinesePretrainedModels.zip
│ │ └──课程介绍.pdf
│ ├──21-深度学习模型部署与剪枝优化实战
│ │ ├──1-AIoT人工智能物联网之认识 jetson nano
│ │ │ ├──1- jetson nano 硬件介绍.mp4
│ │ │ ├──2-jetson nano 刷机.mp4
│ │ │ ├──3- jetson nano 系统安装过程.mp4
│ │ │ ├──4-感受nano的GPU算力.mp4
│ │ │ └──5-安装使用摄像头csi usb.mp4
│ │ ├──10-模型剪枝-Network Slimming算法分析
│ │ │ ├──1-论文算法核心框架概述.mp4
│ │ │ ├──2-BatchNorm要解决的问题.mp4
│ │ │ ├──3-BN的本质作用.mp4
│ │ │ ├──4-额外的训练参数解读.mp4
│ │ │ └──5-稀疏化原理与效果.mp4
│ │ ├──11-模型剪枝-Network Slimming实战解读
│ │ │ ├──1-整体案例流程解读.mp4
│ │ │ ├──2-加入L1正则化来进行更新.mp4
│ │ │ ├──3-剪枝模块介绍.mp4
│ │ │ ├──4-筛选需要的特征图.mp4
│ │ │ ├──5-剪枝后模型参数赋值.mp4
│ │ │ └──6-微调完成剪枝模型.mp4
│ │ ├──12-Mobilenet三代网络模型架构
│ │ │ ├──1-模型剪枝分析.mp4
│ │ │ ├──10-V2整体架构与效果分析.mp4
│ │ │ ├──11-V3版本网络架构分析.mp4
│ │ │ ├──12-SE模块作用与效果解读.mp4
│ │ │ ├──13-代码实现mobilenetV3网络架构.mp4
│ │ │ ├──2-常见剪枝方法介绍.mp4
│ │ │ ├──3-mobilenet简介.mp4
│ │ │ ├──4-经典卷积计算量与参数量分析.mp4
│ │ │ ├──5-深度可分离卷积的作用与效果.mp4
│ │ │ ├──6-参数与计算量的比较.mp4
│ │ │ ├──7-V1版本效果分析.mp4
│ │ │ ├──8-V2版本改进以及Relu激活函数的问题.mp4
│ │ │ └──9-倒残差结构的作用.mp4
│ │ ├──2-AIoT人工智能物联网之AI 实战
│ │ │ ├──1- jetson-inference 入门.mp4
│ │ │ ├──2-docker 的安装使用.mp4
│ │ │ ├──3-docker中运行分类模型.mp4
│ │ │ ├──4-训练自己的目标检测模型准备.mp4
│ │ │ ├──5- 训练出自己目标识别模型a.mp4
│ │ │ ├──6-训练出自己目标识别模型b.mp4
│ │ │ └──7-转换出onnx模型，并使用.mp4
│ │ ├──3-AIoT人工智能物联网之NVIDIA TAO 实用级的训练神器
│ │ │ ├──1-NVIDIA TAO介绍和安装.mp4
│ │ │ ├──2-NVIDIA TAO数据准备和环境设置.mp4
│ │ │ ├──3-NVIDIA TAO数据转换.mp4
│ │ │ ├──4-NVIDIA TAO预训练模型和训练a.mp4
│ │ │ ├──5-NVIDIA TAO预训练模型和训练b.mp4
│ │ │ ├──6-NVIDIA TAO预训练模型和训练c..mp4
│ │ │ └──7-TAO 剪枝在训练推理验证.mp4
│ │ ├──4- AIoT人工智能物联网之deepstream
│ │ │ ├──1-deepstream 介绍安装.mp4
│ │ │ ├──2-deepstream HelloWorld.mp4
│ │ │ ├──3-GStreamer RTP和RTSP1.mp4
│ │ │ ├──4-GStreamer RTP和RTSP2.mp4
│ │ │ ├──5-python实现RTP和RTSP.mp4
│ │ │ ├──6-deepstream推理.mp4
│ │ │ └──7-deepstream集成yolov4.mp4
│ │ ├──6-pyTorch框架部署实践
│ │ │ ├──1-所需基本环境配置.mp4
│ │ │ ├──2-模型加载与数据预处理.mp4
│ │ │ ├──3-接收与预测模块实现.mp4
│ │ │ ├──4-效果实例演示.mp4
│ │ │ └──5-课程简介.mp4
│ │ ├──7-YOLO-V3物体检测部署实例
│ │ │ ├──1-项目所需配置文件介绍.mp4
│ │ │ ├──2-加载参数与模型权重.mp4
│ │ │ ├──3-数据预处理.mp4
│ │ │ └──4-返回线性预测结果.mp4
│ │ ├──8-docker实例演示
│ │ │ ├──1-docker简介.mp4
│ │ │ ├──2-docker安装与配置.mp4
│ │ │ ├──3-阿里云镜像配置.mp4
│ │ │ ├──4-基于docker配置pytorch环境.mp4
│ │ │ ├──5-安装演示环境所需依赖.mp4
│ │ │ ├──6-复制所需配置到容器中.mp4
│ │ │ └──7-上传与下载配置好的项目.mp4
│ │ ├──9-tensorflow-serving实战
│ │ │ ├──1-tf-serving项目获取与配置.mp4
│ │ │ ├──2-加载并启动模型服务.mp4
│ │ │ ├──3-测试模型部署效果.mp4
│ │ │ ├──4-fashion数据集获取.mp4
│ │ │ └──5-加载fashion模型启动服务.mp4
│ │ ├──咨询VX ETH22009.txt
│ │ └──课程详细目录.txt
│ ├──22-自然语言处理经典案例实战
│ │ ├──1-NLP常用工具包实战
│ │ │ ├──1-Python字符串处理.mp4
│ │ │ ├──10-名字实体匹配.mp4
│ │ │ ├──11-恐怖袭击分析.mp4
│ │ │ ├──12-统计分析结果.mp4
│ │ │ ├──13-结巴分词器.mp4
│ │ │ ├──14-词云展示.mp4
│ │ │ ├──2-正则表达式基本语法.mp4
│ │ │ ├──3-正则常用符号.mp4
│ │ │ ├──4-常用函数介绍.mp4
│ │ │ ├──5-NLTK工具包简介.mp4
│ │ │ ├──6-停用词过滤.mp4
│ │ │ ├──7-词性标注.mp4
│ │ │ ├──8-数据清洗实例.mp4
│ │ │ └──9-Spacy工具包.mp4
│ │ ├──10-NLP-文本特征方法对比
│ │ │ ├──1-任务概述.mp4
│ │ │ ├──2-词袋模型.mp4
│ │ │ ├──3-词袋模型分析.mp4
│ │ │ ├──4-TFIDF模型.mp4
│ │ │ ├──5-word2vec词向量模型.mp4
│ │ │ └──6-深度学习模型.mp4
│ │ ├──11-NLP-相似度模型
│ │ │ ├──1-任务概述.mp4
│ │ │ ├──2-数据展示.mp4
│ │ │ ├──3-正负样本制作.mp4
│ │ │ ├──4-数据预处理.mp4
│ │ │ ├──5-网络模型定义.mp4
│ │ │ ├──6-基于字符的训练.mp4
│ │ │ └──7-基于句子的相似度训练.mp4
│ │ ├──12-LSTM情感分析
│ │ │ ├──1-RNN网络架构.mp4
│ │ │ ├──2-LSTM网络架构.mp4
│ │ │ ├──3-案例：使用LSTM进行情感分类.mp4
│ │ │ ├──4-情感数据集处理.mp4
│ │ │ └──5-基于word2vec的LSTM模型.mp4
│ │ ├──13-机器人写唐诗
│ │ │ ├──1-任务概述与环境配置.mp4
│ │ │ ├──2-参数配置.mp4
│ │ │ ├──3-数据预处理模块.mp4
│ │ │ ├──4-batch数据制作.mp4
│ │ │ ├──5-RNN模型定义.mp4
│ │ │ ├──6-完成训练模块.mp4
│ │ │ ├──7-训练唐诗生成模型.mp4
│ │ │ └──8-测试唐诗生成效果.mp4
│ │ ├──14-对话机器人
│ │ │ ├──1-效果演示.mp4
│ │ │ ├──2-参数配置与数据加载.mp4
│ │ │ ├──3-数据处理.mp4
│ │ │ ├──4-词向量与投影.mp4
│ │ │ ├──5-seq网络.mp4
│ │ │ └──6-网络训练.mp4
│ │ ├──2-商品信息可视化与文本分析
│ │ │ ├──1-在线商城商品数据信息概述.mp4
│ │ │ ├──2-商品类别划分方式.mp4
│ │ │ ├──3-商品类别可视化展示.mp4
│ │ │ ├──4-商品描述长度对价格的影响分析.mp4
│ │ │ ├──5-关键词的词云可视化展示.mp4
│ │ │ ├──6-基于tf-idf提取关键词信息.mp4
│ │ │ ├──7-通过降维进行可视化展示.mp4
│ │ │ └──8-聚类分析与主题模型展示.mp4
│ │ ├──3-贝叶斯算法
│ │ │ ├──1-贝叶斯算法概述.mp4
│ │ │ ├──2-贝叶斯推导实例.mp4
│ │ │ ├──3-贝叶斯拼写纠错实例.mp4
│ │ │ ├──4-垃圾邮件过滤实例.mp4
│ │ │ └──5-贝叶斯实现拼写检查器.mp4
│ │ ├──4-新闻分类任务实战
│ │ │ ├──1-文本分析与关键词提取.mp4
│ │ │ ├──2-相似度计算.mp4
│ │ │ ├──3-新闻数据与任务简介.mp4
│ │ │ ├──4-TF-IDF关键词提取.mp4
│ │ │ ├──5-LDA建模.mp4
│ │ │ └──6-基于贝叶斯算法进行新闻分类.mp4
│ │ ├──5-HMM隐马尔科夫模型
│ │ │ ├──1-马尔科夫模型.mp4
│ │ │ ├──10-维特比算法.mp4
│ │ │ ├──2-隐马尔科夫模型基本出发点.mp4
│ │ │ ├──3-组成与要解决的问题.mp4
│ │ │ ├──4-暴力求解方法.mp4
│ │ │ ├──5-复杂度计算.mp4
│ │ │ ├──6-前向算法.mp4
│ │ │ ├──7-前向算法求解实例.mp4
│ │ │ ├──8-Baum-Welch算法.mp4
│ │ │ └──9-参数求解.mp4
│ │ ├──6-HMM工具包实战
│ │ │ ├──1-hmmlearn工具包.mp4
│ │ │ ├──2-工具包使用方法.mp4
│ │ │ ├──3-中文分词任务.mp4
│ │ │ └──4-实现中文分词.mp4
│ │ ├──7-语言模型
│ │ │ ├──1-开篇.mp4
│ │ │ ├──10-负采样模型.mp4
│ │ │ ├──2-语言模型.mp4
│ │ │ ├──3-N-gram模型.mp4
│ │ │ ├──4-词向量.mp4
│ │ │ ├──5-神经网络模型.mp4
│ │ │ ├──6-Hierarchical Softmax.mp4
│ │ │ ├──7-CBOW模型实例.mp4
│ │ │ ├──8-CBOW求解目标.mp4
│ │ │ └──9-锑度上升求解.mp4
│ │ ├──8-使用Gemsim构建词向量
│ │ │ ├──1-使用Gensim库构造词向量.mp4
│ │ │ ├──2-维基百科中文数据处理.mp4
│ │ │ ├──3-Gensim构造word2vec模型.mp4
│ │ │ └──4-测试模型相似度结果.mp4
│ │ ├──9-基于word2vec的分类任务
│ │ │ ├──1-影评情感分类.mp4
│ │ │ ├──2-基于词袋模型训练分类器.mp4
│ │ │ ├──3-准备word2vec输入数据.mp4
│ │ │ └──4-使用gensim构建word2vec词向量（新）.mp4
│ │ ├──咨询VX ETH22009.txt
│ │ └──课程详细目录.txt
│ ├──23-自然语言处理必备神器Huggingface系列实战
│ │ ├──1-Huggingface与NLP介绍解读
│ │ │ └──1-Huggingface与NLP介绍解读.mp4
│ │ ├──10-图谱知识抽取实战
│ │ │ ├──1-应用场景概述分析.mp4
│ │ │ ├──2-数据标注格式样例分析.mp4
│ │ │ ├──3-数据处理与读取模块.mp4
│ │ │ ├──4-实体抽取模块分析.mp4
│ │ │ ├──5-标签与数据结构定义方法.mp4
│ │ │ ├──6-模型构建与计算流程.mp4
│ │ │ ├──7-网络模型前向计算方法.mp4
│ │ │ └──8-关系抽取模型训练.mp4
│ │ ├──11-补充Huggingface数据集制作方法实例
│ │ │ ├──1-数据结构分析.mp4
│ │ │ ├──2-Huggingface中的预处理实例.mp4
│ │ │ └──3-数据处理基本流程.mp4
│ │ ├──2-Transformer工具包基本操作实例解读
│ │ │ ├──1-工具包与任务整体介绍.mp4
│ │ │ ├──2-NLP任务常规流程分析.mp4
│ │ │ ├──3-文本切分方法实例解读.mp4
│ │ │ ├──4-AttentionMask配套使用方法.mp4
│ │ │ ├──5-数据集与模型.mp4
│ │ │ ├──6-数据Dataloader封装.mp4
│ │ │ ├──7-模型训练所需配置参数.mp4
│ │ │ └──8-模型训练DEMO.mp4
│ │ ├──3-transformer原理解读
│ │ │ └──1-transformer原理解读.mp4
│ │ ├──4-BERT系列算法解读
│ │ │ ├──1-BERT模型训练方法解读.mp4
│ │ │ ├──2-ALBERT基本定义.mp4
│ │ │ ├──3-ALBERT中的简化方法解读.mp4
│ │ │ ├──4-RoBerta模型训练方法解读.mp4
│ │ │ └──5-DistilBert模型解读.mp4
│ │ ├──5-文本标注工具与NER实例
│ │ │ ├──1-文本标注工具Doccano配置方法.mp4
│ │ │ ├──2-命名实体识别任务标注方法实例.mp4
│ │ │ ├──3-标注导出与BIO处理.mp4
│ │ │ ├──4-标签处理并完成对齐操作.mp4
│ │ │ ├──5-预训练模型加载与参数配置.mp4
│ │ │ └──6-模型训练与输出结果预测.mp4
│ │ ├──6-文本预训练模型构建实例
│ │ │ ├──1-预训练模型效果分析.mp4
│ │ │ ├──2-文本数据截断处理.mp4
│ │ │ └──3-预训练模型自定义训练.mp4
│ │ ├──7-GPT系列算法
│ │ │ ├──1-GPT系列算法概述.mp4
│ │ │ ├──2-GPT三代版本分析.mp4
│ │ │ ├──3-GPT初代版本要解决的问题.mp4
│ │ │ ├──4-GPT第二代版本训练策略.mp4
│ │ │ ├──5-采样策略与多样性.mp4
│ │ │ ├──6-GPT3的提示与生成方法.mp4
│ │ │ ├──7-应用场景CODEX分析.mp4
│ │ │ └──8-DEMO应用演示.mp4
│ │ ├──8-GPT训练与预测部署流程
│ │ │ ├──1-生成模型可以完成的任务概述.mp4
│ │ │ ├──2-数据样本生成方法.mp4
│ │ │ ├──3-训练所需参数解读.mp4
│ │ │ ├──4-模型训练过程.mp4
│ │ │ └──5-部署与网页预测展示.mp4
│ │ ├──9-文本摘要建模
│ │ │ ├──1-中文商城评价数据处理方法.mp4
│ │ │ ├──2-模型训练与测试结果.mp4
│ │ │ ├──3-文本摘要数据标注方法.mp4
│ │ │ └──4-训练自己标注的数据并测试.mp4
│ │ ├──咨询VX ETH22009.txt
│ │ └──课程详细目录.txt
│ ├──24-时间序列预测
│ │ ├──1-Informer原理解读
│ │ │ ├──1-时间序列预测要完成的任务.mp4
│ │ │ ├──2-常用模块分析.mp4
│ │ │ ├──3-论文要解决的问题分析.mp4
│ │ │ ├──4-Query采样方法解读.mp4
│ │ │ ├──5-probAttention计算流程.mp4
│ │ │ ├──6-编码器全部计算流程.mp4
│ │ │ └──7-解码器流程分析.mp4
│ │ ├──2-Informer源码解读
│ │ │ ├──1-项目使用说明.mp4
│ │ │ ├──10-核心采样计算方法.mp4
│ │ │ ├──11-完成注意力机制计算模块.mp4
│ │ │ ├──12-平均向量的作用.mp4
│ │ │ ├──13-解码器预测输出.mp4
│ │ │ ├──2-数据集解读.mp4
│ │ │ ├──3-模型训练所需参数解读.mp4
│ │ │ ├──4-数据集构建与读取方式.mp4
│ │ │ ├──5-数据处理相关模块.mp4
│ │ │ ├──6-时间相关特征提取方法.mp4
│ │ │ ├──7-dataloader构建实例.mp4
│ │ │ ├──8-整体架构分析.mp4
│ │ │ └──9-编码器模块实现.mp4
│ │ ├──3-Timesnet时序预测
│ │ │ ├──1-时序预测故事背景.mp4
│ │ │ ├──2-论文核心思想解读.mp4
│ │ │ ├──3-时序特征周期拆解.mp4
│ │ │ ├──4-计算公式流程拆解.mp4
│ │ │ ├──5-全部计算流程解读.mp4
│ │ │ ├──6-周期间特征分析.mp4
│ │ │ ├──7-源码流程解读.mp4
│ │ │ └──8-傅里叶变换流程.mp4
│ │ ├──咨询VX ETH22009.txt
│ │ └──课程详细目录.txt
│ ├──25-自然语言处理通用框架-BERT实战
│ │ ├──1-自然语言处理通用框架BERT原理解读
│ │ │ ├──1-BERT课程简介.mp4
│ │ │ ├──10-BERT模型训练方法.mp4
│ │ │ ├──11-训练实例.mp4
│ │ │ ├──2-BERT任务目标概述.mp4
│ │ │ ├──3-传统解决方案遇到的问题.mp4
│ │ │ ├──4-注意力机制的作用.mp4
│ │ │ ├──5-self-attention计算方法.mp4
│ │ │ ├──6-特征分配与softmax机制.mp4
│ │ │ ├──7-Multi-head的作用.mp4
│ │ │ ├──8-位置编码与多层堆叠.mp4
│ │ │ └──9-transformer整体架构梳理.mp4
│ │ ├──2-谷歌开源项目BERT源码解读与应用实例
│ │ │ ├──1-BERT开源项目简介.mp4
│ │ │ ├──10-构建QKV矩阵.mp4
│ │ │ ├──11-完成Transformer模块构建.mp4
│ │ │ ├──12-训练BERT模型.mp4
│ │ │ ├──2-项目参数配置.mp4
│ │ │ ├──3-数据读取模块.mp4
│ │ │ ├──4-数据预处理模块.mp4
│ │ │ ├──5-tfrecord数据源制作.mp4
│ │ │ ├──6-Embedding层的作用.mp4
│ │ │ ├──7-加入额外编码特征.mp4
│ │ │ ├──8-加入位置编码特征.mp4
│ │ │ └──9-mask机制的作用.mp4
│ │ ├──3-项目实战-基于BERT的中文情感分析实战
│ │ │ ├──1-中文分类数据与任务概述.mp4
│ │ │ ├──2-读取处理自己的数据集.mp4
│ │ │ └──3-训练BERT中文分类模型.mp4
│ │ ├──4-项目实战-基于BERT的中文命名实体识别识别实战
│ │ │ ├──1-命名实体识别数据分析与任务目标.mp4
│ │ │ ├──2-NER标注数据处理与读取.mp4
│ │ │ └──3-构建BERT与CRF模型.mp4
│ │ ├──5-必备基础知识点-woed2vec模型通俗解读
│ │ │ ├──1-词向量模型通俗解释.mp4
│ │ │ ├──2-模型整体框架.mp4
│ │ │ ├──3-训练数据构建.mp4
│ │ │ ├──4-CBOW与Skip-gram模型.mp4
│ │ │ └──5-负采样方案.mp4
│ │ ├──6-必备基础-掌握Tensorflow如何实现word2vec模型
│ │ │ ├──1-数据与任务流程.mp4
│ │ │ ├──2-数据清洗.mp4
│ │ │ ├──3-batch数据制作.mp4
│ │ │ ├──4-网络训练.mp4
│ │ │ └──5-可视化展示.mp4
│ │ ├──7-必备基础知识点-RNN网络架构与情感分析应用实例
│ │ │ ├──1-RNN网络模型解读.mp4
│ │ │ ├──2-NLP应用领域与任务简介.mp4
│ │ │ ├──3-项目流程解读.mp4
│ │ │ ├──4-加载词向量特征.mp4
│ │ │ ├──5-正负样本数据读取.mp4
│ │ │ ├──6-构建LSTM网络模型.mp4
│ │ │ ├──7-训练与测试效果.mp4
│ │ │ └──8-LSTM情感分析.mp4
│ │ ├──8-医学糖尿病数据命名实体识别
│ │ │ ├──1-数据与任务介绍.mp4
│ │ │ ├──2-整体模型架构.mp4
│ │ │ ├──3-数据-标签-语料库处理.mp4
│ │ │ ├──4-训练网络模型.mp4
│ │ │ ├──5-医疗数据集（糖尿病）实体识别.mp4
│ │ │ └──6-输入样本填充补齐.mp4
│ │ ├──咨询VX ETH22009.txt
│ │ └──课程详细目录.txt
│ ├──26-知识图谱实战系列
│ │ ├──1-知识图谱介绍及其应用领域分析
│ │ │ ├──1-知识图谱通俗解读.mp4
│ │ │ ├──2-知识图谱在搜索引擎中的应用.mp4
│ │ │ ├──3-知识图谱在医疗领域应用实例.mp4
│ │ │ ├──4-金融与推荐领域的应用.mp4
│ │ │ └──5-数据获取分析.mp4
│ │ ├──2-知识图谱涉及技术点分析
│ │ │ ├──1-数据关系抽取分析.mp4
│ │ │ ├──2-常用NLP技术点分析.mp4
│ │ │ ├──3-graph-embedding的作用与效果.mp4
│ │ │ ├──4-金融领域图编码实例.mp4
│ │ │ ├──5-视觉领域图编码实例.mp4
│ │ │ └──6-图谱知识融合与总结分析.mp4
│ │ ├──3-Neo4j数据库实战
│ │ │ ├──1-Neo4j图数据库介绍.mp4
│ │ │ ├──2-Neo4j数据库安装流程演示.mp4
│ │ │ ├──3-可视化例子演示.mp4
│ │ │ ├──4-创建与删除操作演示.mp4
│ │ │ └──5-数据库更改查询操作演示.mp4
│ │ ├──4-使用python操作neo4j实例
│ │ │ ├──1-使用Py2neo建立连接.mp4
│ │ │ ├──2-提取所需的指标信息.mp4
│ │ │ ├──3-在图中创建实体.mp4
│ │ │ └──4-根据给定实体创建关系.mp4
│ │ ├──5-基于知识图谱的医药问答系统实战
│ │ │ ├──1-项目概述与整体架构分析.mp4
│ │ │ ├──10-完成对话系统构建.mp4
│ │ │ ├──2-医疗数据介绍及其各字段含义.mp4
│ │ │ ├──3-任务流程概述.mp4
│ │ │ ├──4-环境配置与所需工具包安装.mp4
│ │ │ ├──5-提取数据中的关键字段信息.mp4
│ │ │ ├──6-创建关系边.mp4
│ │ │ ├──7-打造医疗知识图谱模型.mp4
│ │ │ ├──8-加载所有实体数据.mp4
│ │ │ └──9-实体关键词字典制作.mp4
│ │ ├──6-文本关系抽取实践
│ │ │ ├──1-关系抽取要完成的任务演示与分析.mp4
│ │ │ ├──2-LTP工具包概述介绍.mp4
│ │ │ ├──3-pyltp安装与流程演示.mp4
│ │ │ ├──4-得到分词与词性标注结果.mp4
│ │ │ ├──5-依存句法概述.mp4
│ │ │ ├──6-句法分析结果整理.mp4
│ │ │ ├──7-语义角色构建与分析.mp4
│ │ │ └──8-设计规则完成关系抽取.mp4
│ │ ├──7-金融平台风控模型实践
│ │ │ ├──1-竞赛任务目标.mp4
│ │ │ ├──2-图模型信息提取.mp4
│ │ │ ├──3-节点权重特征提取(PageRank).mp4
│ │ │ ├──4-deepwalk构建图顶点特征.mp4
│ │ │ ├──5-各项统计特征.mp4
│ │ │ ├──6-app安装特征.mp4
│ │ │ └──7-图中联系人特征.mp4
│ │ ├──8-医学糖尿病数据命名实体识别
│ │ │ ├──1-数据与任务介绍.mp4
│ │ │ ├──2-整体模型架构.mp4
│ │ │ ├──3-数据-标签-语料库处理.mp4
│ │ │ ├──4-输入样本填充补齐.mp4
│ │ │ ├──5-训练网络模型.mp4
│ │ │ └──6-医疗数据集（糖尿病）实体识别.mp4
│ │ ├──咨询VX ETH22009.txt
│ │ └──课程详细目录.txt
│ ├──27-语音识别实战系列
│ │ ├──1-seq2seq序列网络模型
│ │ │ ├──1-序列网络模型概述分析.mp4
│ │ │ ├──2-工作原理概述.mp4
│ │ │ ├──3-注意力机制的作用.mp4
│ │ │ ├──4-加入attention的序列模型整体架构.mp4
│ │ │ ├──5-TeacherForcing的作用与训练策略.mp4
│ │ │ └──6-额外补充-RNN网络模型解读.mp4
│ │ ├──2-LAS模型语音识别实战
│ │ │ ├──1-数据源与环境配置.mp4
│ │ │ ├──2-语料表制作方法.mp4
│ │ │ ├──3-制作json标注数据.mp4
│ │ │ ├──4-声音数据处理模块解读.mp4
│ │ │ ├──5-Pack与Pad操作解析.mp4
│ │ │ ├──6-编码器模块整体流程.mp4
│ │ │ ├──7-加入注意力机制.mp4
│ │ │ ├──8-计算得到每个输出的attention得分.mp4
│ │ │ └──9-解码器与训练过程演示.mp4
│ │ ├──3-starganvc2变声器论文原理解读
│ │ │ ├──1-论文整体思路与架构解读.mp4
│ │ │ ├──2-VCC2016输入数据.mp4
│ │ │ ├──3-语音特征提取.mp4
│ │ │ ├──4-生成器模型架构分析.mp4
│ │ │ ├──5-InstanceNorm的作用解读.mp4
│ │ │ ├──6-AdaIn的目的与效果.mp4
│ │ │ └──7-判别器模块分析.mp4
│ │ ├──4-staeganvc2变声器源码实战
│ │ │ ├──1-数据与项目文件解读.mp4
│ │ │ ├──10-源码损失计算流程.mp4
│ │ │ ├──11-测试模块-生成转换语音.mp4
│ │ │ ├──2-环境配置与工具包安装.mp4
│ │ │ ├──3-数据预处理与声音特征提取.mp4
│ │ │ ├──4-生成器构造模块解读.mp4
│ │ │ ├──5-下采样与上采样操作.mp4
│ │ │ ├──6-starganvc2版本标签输入分析.mp4
│ │ │ ├──7-生成器前向传播维度变化.mp4
│ │ │ ├──8-判别器模块解读.mp4
│ │ │ └──9-论文损失函数.mp4
│ │ ├──5-语音分离ConvTasnet模型
│ │ │ ├──1-语音分离任务分析.mp4
│ │ │ ├──2-经典语音分离模型概述.mp4
│ │ │ ├──3-DeepClustering论文解读.mp4
│ │ │ ├──4-TasNet编码器结构分析.mp4
│ │ │ ├──5-DW卷积的作用与效果.mp4
│ │ │ └──6-基于Mask得到分离结果.mp4
│ │ ├──6-ConvTasnet语音分离实战
│ │ │ ├──1-数据准备与环境配置.mp4
│ │ │ ├──2-训练任务所需参数介绍.mp4
│ │ │ ├──3-DataLoader定义.mp4
│ │ │ ├──4-采样数据特征编码.mp4
│ │ │ ├──5-编码器特征提取.mp4
│ │ │ ├──6-构建更大的感受区域.mp4
│ │ │ ├──7-解码得到分离后的语音.mp4
│ │ │ └──8-测试模块所需参数.mp4
│ │ ├──7-语音合成tacotron最新版实战
│ │ │ ├──1-语音合成项目所需环境配置.mp4
│ │ │ ├──10-得到加权的编码向量.mp4
│ │ │ ├──11-模型输出结果.mp4
│ │ │ ├──12-损失函数与预测.mp4
│ │ │ ├──2-所需数据集介绍.mp4
│ │ │ ├──3-路径配置与整体流程解读.mp4
│ │ │ ├──4-Dataloader构建数据与标签.mp4
│ │ │ ├──5-编码层要完成的任务.mp4
│ │ │ ├──6-得到编码特征向量.mp4
│ │ │ ├──7-解码器输入准备.mp4
│ │ │ ├──8-解码器流程梳理.mp4
│ │ │ └──9-注意力机制应用方法.mp4
│ │ ├──咨询VX ETH22009.txt
│ │ └──课程详细目录.txt
│ ├──28-推荐系统实战系列
│ │ ├──1-推荐系统介绍及其应用
│ │ │ ├──1-1-推荐系统通俗解读.mp4
│ │ │ ├──2-2-推荐系统发展简介.mp4
│ │ │ ├──3-3-应用领域与多方位评估指标.mp4
│ │ │ ├──4-4-任务流程与挑战概述.mp4
│ │ │ ├──5-5-常用技术点分析.mp4
│ │ │ └──6-6-与深度学习的结合.mp4
│ │ ├──10-基本统计分析的电影推荐
│ │ │ ├──1-1-电影数据与环境配置.mp4
│ │ │ ├──2-2-数据与关键词信息展示.mp4
│ │ │ ├──3-3-关键词云与直方图展示.mp4
│ │ │ ├──4-4-特征可视化.mp4
│ │ │ ├──5-5-数据清洗概述.mp4
│ │ │ ├──6-6-缺失值填充方法.mp4
│ │ │ ├──7-7-推荐引擎构造.mp4
│ │ │ ├──8-8-数据特征构造.mp4
│ │ │ └──9-9-得出推荐结果.mp4
│ │ ├──11-补充-基于相似度的酒店推荐系统
│ │ │ ├──1-1-酒店数据与任务介绍.mp4
│ │ │ ├──2-2-文本词频统计.mp4
│ │ │ ├──3-3-ngram结果可视化展示.mp4
│ │ │ ├──4-4-文本清洗.mp4
│ │ │ ├──5-5-相似度计算.mp4
│ │ │ └──6-6-得出推荐结果.mp4
│ │ ├──2-协同过滤与矩阵分解
│ │ │ ├──1-1-协同过滤与矩阵分解简介.mp4
│ │ │ ├──2-2-基于用户与商品的协同过滤.mp4
│ │ │ ├──3-3-相似度计算与推荐实例.mp4
│ │ │ ├──4-4-矩阵分解的目的与效果.mp4
│ │ │ ├──5-5-矩阵分解中的隐向量.mp4
│ │ │ ├──6-6-目标函数简介.mp4
│ │ │ ├──7-7-隐式情况分析.mp4
│ │ │ └──8-8-Embedding的作用.mp4
│ │ ├──3-音乐推荐系统实战
│ │ │ ├──1-1-音乐推荐任务概述.mp4
│ │ │ ├──2-2-数据集整合.mp4
│ │ │ ├──3-3-基于物品的协同过滤.mp4
│ │ │ ├──4-4-物品相似度计算与推荐.mp4
│ │ │ ├──5-5-SVD矩阵分解.mp4
│ │ │ └──6-6-基于矩阵分解的音乐推荐.mp4
│ │ ├──4-知识图谱与Neo4j数据库实例
│ │ │ ├──1-1-知识图谱通俗解读.mp4
│ │ │ ├──10-5-数据库更改查询操作演示.mp4
│ │ │ ├──2-2-知识图谱在搜索引擎中的应用.mp4
│ │ │ ├──3-3-知识图谱在医疗领域应用实例.mp4
│ │ │ ├──4-4-金融与推荐领域的应用.mp4
│ │ │ ├──5-5-数据获取分析.mp4
│ │ │ ├──6-1-Neo4j图数据库介绍.mp4
│ │ │ ├──7-2-Neo4j数据库安装流程演示.mp4
│ │ │ ├──8-3-可视化例子演示.mp4
│ │ │ └──9-4-创建与删除操作演示.mp4
│ │ ├──5-基于知识图谱的电影推荐实战
│ │ │ ├──1-1-知识图谱推荐系统效果演示.mp4
│ │ │ ├──2-2-kaggle电影数据集下载与配置.mp4
│ │ │ ├──3-3-图谱需求与任务流程解读.mp4
│ │ │ ├──4-4-项目所需环境配置安装.mp4
│ │ │ ├──5-5-构建用户电影知识图谱.mp4
│ │ │ ├──6-6-图谱查询与匹配操作.mp4
│ │ │ └──7-7-相似度计算与推荐引擎构建.mp4
│ │ ├──6-点击率估计FM与DeepFM算法
│ │ │ ├──1-1-CTR估计及其经典方法概述.mp4
│ │ │ ├──2-2-高维特征带来的问题.mp4
│ │ │ ├──3-3-二项式特征的作用与挑战.mp4
│ │ │ ├──4-4-二阶公式推导与化简.mp4
│ │ │ ├──5-5-FM算法解析.mp4
│ │ │ ├──6-6-DeepFm整体架构解读.mp4
│ │ │ ├──7-7-输入层所需数据样例.mp4
│ │ │ └──8-8-Embedding层的作用与总结.mp4
│ │ ├──7-DeepFM算法实战
│ │ │ ├──1-1-数据集介绍与环境配置.mp4
│ │ │ ├──2-2-广告点击数据预处理实例.mp4
│ │ │ ├──3-3-数据处理模块Embedding层.mp4
│ │ │ ├──4-4-Index与Value数据制作.mp4
│ │ │ ├──5-5-一阶权重参数设计.mp4
│ │ │ ├──6-6-二阶特征构建方法.mp4
│ │ │ ├──7-7-特征组合方法实例分析.mp4
│ │ │ ├──8-8-完成FM模块计算.mp4
│ │ │ └──9-9-DNN模块与训练过程.mp4
│ │ ├──8-推荐系统常用工具包演示
│ │ │ ├──1-1-环境配置与数据集介绍.mp4
│ │ │ ├──2-2-电影数据集预处理分析.mp4
│ │ │ ├──3-3-surprise工具包基本使用.mp4
│ │ │ ├──4-4-模型测试集结果.mp4
│ │ │ └──5-5-评估指标概述.mp4
│ │ ├──9-基于文本数据的推荐实例
│ │ │ ├──1-1-数据与环境配置介绍.mp4
│ │ │ ├──2-2-数据科学相关数据介绍.mp4
│ │ │ ├──3-3-文本数据预处理.mp4
│ │ │ ├──4-4-TFIDF构建特征矩阵.mp4
│ │ │ ├──5-5-矩阵分解演示.mp4
│ │ │ ├──6-6-LDA主题模型效果演示.mp4
│ │ │ └──7-7-推荐结果分析.mp4
│ │ ├──咨询VX ETH22009.txt
│ │ └──课程详细目录.txt
│ ├──29-论文创新点常用方法及其应用实例
│ │ ├──1-通用创新点
│ │ │ ├──1-ACMIX（卷积与注意力融合）.mp4
│ │ │ ├──10-Attention额外加入先验知识.mp4
│ │ │ ├──11-结合GNN构建局部特征.mp4
│ │ │ ├──12-损失函数约束项.mp4
│ │ │ ├──13-自适应可学习参数.mp4
│ │ │ ├──14-Coarse2Fine大框架.mp4
│ │ │ ├──15-只能机器学习模型时凑工作量（特征工程）.mp4
│ │ │ ├──16-自己数据集如何发的好(要开源).mp4
│ │ │ ├──17-可变形卷积加入方法.mp4
│ │ │ ├──18-在源码中加入各种注意力机制方法.mp4
│ │ │ ├──2-GCnet(全局特征融合).mp4
│ │ │ ├──3-Coordinate_attention.mp4
│ │ │ ├──4-SPD（可替换下采样）.mp4
│ │ │ ├──5-SPP改进.mp4
│ │ │ ├──6-mobileOne(加速).mp4
│ │ │ ├──7-Deformable(替换selfAttention).mp4
│ │ │ ├──8-ProbAttention(采样策略).mp4
│ │ │ └──9-CrossAttention融合特征.mp4
│ │ ├──咨询VX ETH22009.txt
│ │ └──课程详细目录.txt
│ ├──3.第三章 深度学习框架PyTorch
│ │ ├──PyTorch.pdf
│ │ ├──flask预测.zip
│ │ ├──深度学习.pdf
│ │ ├──第七章：LSTM文本分类实战.zip
│ │ ├──第二,三章：神经网络实战分类与回归任务.zip
│ │ ├──第五章：图像识别模型与训练策略（重点）.zip
│ │ ├──第六章：DataLoader自定义数据集制作.zip
│ │ └──第四章：卷积网络参数解读.zip
│ ├──30-2024Ai必会Agent(应用解读+项目实战)
│ │ ├──001-课程介绍 .mp4
│ │ ├──002-1-Agent要解决的问题分析 .mp4
│ │ ├──003-2-Agent需要具备的基本能力 .mp4
│ │ ├──004-3-与大模型的关系分析 .mp4
│ │ ├──005-4-多智能体定义分析 .mp4
│ │ ├──006-5-框架的作用和能解决的问题 .mp4
│ │ ├──007-6-整体总结分析 .mp4
│ │ ├──008-7-GPTS分析一波 .mp4
│ │ ├──009-8-经典任务分析 .mp4
│ │ ├──010-1-GPTS任务流程概述分析 .mp4
│ │ ├──011-2-调用API的控制方式 .mp4
│ │ ├──012-3-API相关配置完成 .mp4
│ │ ├──013-4-完成指令与脚本并生成 .mp4
│ │ ├──014-1-DEMO演示与整体架构分析 .mp4
│ │ ├──015-2-后端GPT项目部署启动 .mp4
│ │ ├──016-3-前端助手API与流程图配置 .mp4
│ │ ├──017-4-接入外部API的方法与流程 .mp4
│ │ ├──018-5-GPT中加入外部API调用方法 .mp4
│ │ ├──019-6-指令提示构建 .mp4
│ │ ├──020-1-论文概述分析 .mp4
│ │ ├──021-2-整体框架逻辑介绍 .mp4
│ │ ├──022-3-项目环境配置 .mp4
│ │ ├──023-4-基础解读-动作定义方式 .mp4
│ │ ├──024-5-基础解读-角色定义 .mp4
│ │ ├──025-6-单动作智能体实现方法 .mp4
│ │ ├──026-7-多动作配置方法 .mp4
│ │ ├──027-8-定时器任务环境配置 .mp4
│ │ ├──028-9-定时器任务流程解读分析 .mp4
│ │ ├──029-0-基本Agent的组成 .mp4
│ │ ├──030-1-Agent要完成的任务和业务逻辑定义 .mp4
│ │ ├──031-2-问题拆解与执行流程 .mp4
│ │ ├──032-3-检索得到重要的URL .mp4
│ │ ├──033-4-子问题生成总结结果 .mp4
│ │ ├──034-5-总结与结果输出 .mp4
│ │ ├──035-1-RAG要完成的任务解读 .mp4
│ │ ├──036-2-RAG整体流程解读 .mp4
│ │ ├──037-3-召回优化策略分析 .mp4
│ │ ├──038-4-召回改进方案解读 .mp4
│ │ ├──039-5-评估工具RAGAS .mp4
│ │ ├──040-6-外接本地数据库工具 .mp4
│ │ ├──041-1-整体故事解读 .mp4
│ │ ├──042-2-要解决的问题和整体框架分析 .mp4
│ │ ├──043-3-论文基本框架分析 .mp4
│ │ ├──044-4-Agent的记忆信息 .mp4
│ │ ├──045-5-感知与反思模块构建流程 .mp4
│ │ ├──046-6-计划模块实现细节 .mp4
│ │ ├──047-7-整体流程框架图 .mp4
│ │ ├──048-8-感知模块解读 .mp4
│ │ ├──049-9-思考模块解读 .mp4
│ │ ├──050-10-项目环境配置方法解读 .mp4
│ │ ├──051-1-langchain框架解读 .mp4
│ │ ├──052-2-基本API调用方法 .mp4
│ │ ├──053-3-数据文档切分操作 .mp4
│ │ ├──054-4-样本索引与向量构建 .mp4
│ │ ├──055-5-数据切块方法 .mp4
│ │ ├──056-1-MOE概述分析 .mp4
│ │ ├──057-2-MOE模块实现方法解读 .mp4
│ │ ├──058-3-效果分析与总结 .mp4
│ │ ├──059-1-大模型如何做下游任务 .mp4
│ │ ├──060-2-LLM落地微调分析 .mp4
│ │ ├──061-3-LLAMA与LORA介绍 .mp4
│ │ ├──062-4-LORA微调的核心思想 .mp4
│ │ ├──063-5-LORA模型实现细节 .mp4
│ │ ├──064-1-提示工程的作用 .mp4
│ │ ├──065-2-项目数据解读 .mp4
│ │ ├──066-3-源码调用DEBUG解读 .mp4
│ │ ├──067-4-训练流程演示 .mp4
│ │ ├──068-5-效果演示与总结分析 .mp4
│ │ ├──069-1-RAG与微调可以解决与无法解决的问题 .mp4
│ │ ├──070-2-RAG实践策略 .mp4
│ │ ├──071-3-微调要解决的问题 .mp4
│ │ ├──咨询VX ETH22009.txt
│ │ └──课程详细目录.txt
│ ├──5.第五章 Opencv图像处理框架实战
│ │ ├──源码资料
│ │ │ ├──第10节：项目实战-文档扫描OCR识别.zip
│ │ │ ├──第13节：案例实战-全景图像拼接.zip
│ │ │ ├──第14节：项目实战-停车场车位识别.zip
│ │ │ ├──第15节：项目实战-答题卡识别判卷.zip
│ │ │ ├──第18节：Opencv的DNN模块.zip
│ │ │ ├──第19节：项目实战-目标追踪.zip
│ │ │ ├──第20节：卷积原理与操作.zip
│ │ │ ├──第21节：人脸关键点定位.zip
│ │ │ ├──第21节：项目实战-疲劳检测.zip
│ │ │ └──第9节：项目实战-信用卡数字识别.zip
│ │ └──课件
│ │ ├──第2-8节课件
│ │ │ ├──第2-7节notebook课件.zip
│ │ │ └──第8节notebook课件.zip
│ │ ├──第11-12节notebook课件.zip
│ │ └──第16-17节notebook课件.zip
│ ├──6.第六章 综合项-物体检测经典算法实战
│ │ ├──YOLO系列（PyTorch）
│ │ │ ├──COCO-DATA
│ │ │ │ └──COCO数据集.txt
│ │ │ ├──训练自己的数据集
│ │ │ │ ├──json2yolo.py
│ │ │ │ └──构建自己的数据集.pdf
│ │ │ ├──NEU-DET.zip
│ │ │ ├──PyTorch-YOLOv3.zip
│ │ │ ├──YOLO5.zip
│ │ │ └──YOLO新版.pdf
│ │ ├──CenterNet.pdf
│ │ ├──EfficientDet.pdf
│ │ ├──EfficientDet.zip
│ │ ├──EfficientNet.pdf
│ │ ├──YOLOV7.pdf
│ │ ├── https://cdn.ldstatic.com/images/emoji/twemoji/page_facing_up.png?v=15 Yolov7结构图.pptx
│ │ ├──detr目标检测源码解读.zip
│ │ ├──json2yolo.py
│ │ ├──mmdetection-3.x.zip
│ │ ├──yolov7-main.zip
│ │ ├──可变形DETR.pdf
│ │ ├──物体检测.pdf
│ │ └──第十二章：基于Transformer的detr目标检测算法.pdf
│ ├──7.第七章 图像分割实战
│ │ ├──Unet系列算法讲解
│ │ │ └──深度学习分割任务.pdf
│ │ ├──deeplab系列算法
│ │ │ └──DeepLab.pdf
│ │ ├──unet医学细胞分割实战
│ │ │ ├──新建文件夹
│ │ │ └──unet++.zip
│ │ ├──分割模型Maskformer系列
│ │ │ ├──mask2former.pdf
│ │ │ └──maskformer.pdf
│ │ ├──图像分割算法
│ │ │ └──深度学习分割任务.pdf
│ │ ├──基于Resnet的医学数据集分类实战
│ │ │ └──Resnet.pdf
│ │ ├──基于deeplabV3+版本进行VOC分割实战
│ │ │ └──DeepLabV3Plus.zip
│ │ ├──基于deeplab的心脏视频数据诊断分析
│ │ │ └──基于deeplab的心脏视频数据诊断分析.zip
│ │ ├──补充：Mask2former源码解读
│ │ │ └──mask2former(mmdetection).zip
│ │ ├──MaskRcnn网络框架源码详解.zip
│ │ ├──PyTorch框架基本处理操作.zip
│ │ ├──R(2+1)D网络.pdf
│ │ ├──f112c9fda85536ee3eba662c9043e683.bat
│ │ ├──mask-rcnn.pdf
│ │ ├──图像识别核心模块实战解读.zip
│ │ ├──基于MASK-RCNN框架训练自己的数据与任务.zip
│ │ └──第5节：U-2-Net.zip
│ ├──8.第八章 走向AI论文实验与项目实战的捷径-MMLAB实战系列
│ │ ├──DeformableDetr算法解读
│ │ │ └──可变形DETR.pdf
│ │ ├──KIE关键信息抽取与视频超分辨率重构
│ │ │ ├──BasicVSR++.pdf
│ │ │ ├──KIE.pdf
│ │ │ └──spynet.pdf
│ │ ├──OCR算法解读
│ │ │ ├──ABINET.pdf
│ │ │ └──DBNET.pdf
│ │ ├──mask2former(mmdetection).zip
│ │ ├──ner.zip
│ │ ├──第一模块：mmclassification-master.zip
│ │ ├──第七模块：mmdetection3d-1.0.0rc0.zip
│ │ ├──第三模块：mmdetection-master.zip
│ │ ├──第九模块：mmaction2-master.zip
│ │ ├──第二模块：MPViT-main.zip
│ │ ├──第二模块：mmsegmentation-0.20.2.zip
│ │ ├──第五模块：mmgeneration-master.zip
│ │ ├──第八模块：mmrazor-模型蒸馏.zip
│ │ ├──第六模块：mmediting-master.zip
│ │ └──第四模块：mmocr-main.zip
│ └──9.第九章 经典视觉项目实战：行为识别、姿态估计、目标追踪
│ ├──YOLO目标检测
│ │ ├──COCO-DATA
│ │ │ └──COCO数据集.txt
│ │ ├──训练自己的数据集
│ │ │ ├──json2yolo.py
│ │ │ └──构建自己的数据集.pdf
│ │ ├──NEU-DET.zip
│ │ ├──YOLO5.zip
│ │ └──YOLO新版.pdf
│ ├──slowfast-add
│ │ ├──download
│ │ │ ├──ava_annotations
│ │ │ │ ├──person_box_67091280_iou90
│ │ │ │ │ ├── https://cdn.ldstatic.com/images/emoji/twemoji/page_facing_up.png?v=15 ava_action_list_v2.1_for_activitynet_2018.pbtxt
│ │ │ │ │ ├──ava_detection_test_boxes_and_labels.csv
│ │ │ │ │ ├──ava_detection_train_boxes_and_labels_include_negative.csv
│ │ │ │ │ ├──ava_detection_train_boxes_and_labels_include_negative_v2.1.csv
│ │ │ │ │ ├──ava_detection_train_boxes_and_labels_include_negative_v2.2.csv
│ │ │ │ │ ├──ava_detection_val_boxes_and_labels.csv
│ │ │ │ │ ├──ava_detection_val_for_training_boxes_and_labels_include_negative.csv
│ │ │ │ │ ├──ava_detection_val_for_training_boxes_and_labels_include_negative_v2.1.csv
│ │ │ │ │ ├──ava_detection_val_for_training_boxes_and_labels_include_negative_v2.2.csv
│ │ │ │ │ ├──ava_train_predicted_boxes.csv
│ │ │ │ │ ├──ava_train_v2.1.csv
│ │ │ │ │ ├──ava_val_excluded_timestamps_v2.1.csv
│ │ │ │ │ ├──ava_val_predicted_boxes.csv
│ │ │ │ │ ├──ava_val_v2.1.csv
│ │ │ │ │ ├──test.csv
│ │ │ │ │ ├──train.csv
│ │ │ │ │ └──val.csv
│ │ │ │ ├──ava_train_v2.1.csv
│ │ │ │ ├──ava_train_v2.2.csv
│ │ │ │ └──ava_val_v2.2.csv
│ │ │ ├──-5KQ66BBWC4.mkv
│ │ │ ├── https://cdn.ldstatic.com/images/emoji/twemoji/page_facing_up.png?v=15 -5KQ66BBWC4.mkv.1
│ │ │ ├──1j20qq1JyX4.mp4
│ │ │ ├──_145Aa_xkuE.mp4
│ │ │ ├──_Ca3gOdOHxU.mp4
│ │ │ ├──train.csv
│ │ │ └──val.csv
│ │ └──avademo.zip
│ ├──基础补充-Resnet模型及其应用实例
│ │ └──Resnet.pdf
│ ├──1-slowfast算法知识点通俗解读.pdf
│ ├──5-视频异常检测算法与元学习.pdf
│ ├──Deepsort源码解读.zip
│ ├──Deepsort算法知识点解读.pdf
│ ├──OpenPose算法源码分析.zip
│ ├──slowfast论文.pdf
│ ├──基于3D卷积的视频分析与动作识别.zip
│ ├──基础补充-PyTorch框架基本处理操作.zip
│ ├──基础补充-PyTorch框架必备核心模块解读.zip
│ ├──第一章：姿态估计OpenPose系列算法解读.pdf
│ └──视频异常检测CVPR2021论文及其源码解读.zip
├──视频
│ ├──1-AI课程所需安装软件教程
│ │ ├──1-AI课程所需安装软件教程
│ │ │ └──1-AI课程所需安装软件教程.mp4
│ │ ├──咨询VX ETH22009.txt
│ │ └──课程详细目录.txt
│ ├──10-2022论必备-Transformer实战系列
│ │ ├──1-Transformer算法解读
│ │ │ └──1-Transformer算法解读.mp4
│ │ ├──10-MedicalTrasnformer论文解读
│ │ │ ├──1-论文整体分析.mp4
│ │ │ ├──2-核心思想分析.mp4
│ │ │ ├──3-网络结构计算流程概述.mp4
│ │ │ ├──4-论文公式计算分析.mp4
│ │ │ ├──5-位置编码的作用与效果.mp4
│ │ │ └──6-拓展应用分析.mp4
│ │ ├──11-MedicalTransformer源码解读
│ │ │ ├──1-项目环境配置.mp4
│ │ │ ├──2-医学数据介绍与分析.mp4
│ │ │ ├──3-基本处理操作.mp4
│ │ │ ├──4-AxialAttention实现过程.mp4
│ │ │ ├──5-位置编码向量解读.mp4
│ │ │ ├──6-注意力计算过程与方法.mp4
│ │ │ └──7-局部特征提取与计算.mp4
│ │ ├──12-商汤LoFTR算法解读
│ │ │ ├──1-特征匹配的应用场景.mp4
│ │ │ ├──10-总结分析.mp4
│ │ │ ├──2-特征匹配的基本流程分析.mp4
│ │ │ ├──3-整体流程梳理分析.mp4
│ │ │ ├──4-CrossAttention的作用与效果.mp4
│ │ │ ├──5-transformer构建匹配特征.mp4
│ │ │ ├──6-粗粒度匹配过程与作用.mp4
│ │ │ ├──7-特征图拆解操作.mp4
│ │ │ ├──8-细粒度匹配的作用与方法.mp4
│ │ │ └──9-基于期望预测最终位置.mp4
│ │ ├──13-局部特征关键点匹配实战
│ │ │ ├──1-项目与参数配置解读.mp4
│ │ │ ├──10-得到精细化输出结果.mp4
│ │ │ ├──11-通过期望计算最终输出.mp4
│ │ │ ├──2-DEMO效果演示.mp4
│ │ │ ├──3-backbone特征提取模块.mp4
│ │ │ ├──4-注意力机制的作用与效果分析.mp4
│ │ │ ├──5-特征融合模块实现方法.mp4
│ │ │ ├──6-cross关系计算方法实例.mp4
│ │ │ ├──7-粗粒度匹配过程.mp4
│ │ │ ├──8-完成基础匹配模块.mp4
│ │ │ └──9-精细化调整方法与实例.mp4
│ │ ├──14-分割模型Maskformer系列
│ │ │ └──1-分割模型Maskformer系列.mp4
│ │ ├──15-Mask2former源码解读
│ │ │ ├──1-Backbone获取多层级特征.mp4
│ │ │ ├──10-正样本筛选损失计算.mp4
│ │ │ ├──11-标签分类匹配结果分析.mp4
│ │ │ ├──12-最终损失计算流程.mp4
│ │ │ ├──13-汇总所有损失完成迭代.mp4
│ │ │ ├──2-多层级采样点初始化构建.mp4
│ │ │ ├──3-多层级输入特征序列创建方法.mp4
│ │ │ ├──4-偏移量与权重计算并转换.mp4
│ │ │ ├──5-Encoder特征构建方法实例.mp4
│ │ │ ├──6-query要预测的任务解读.mp4
│ │ │ ├──7-Decoder中的AttentionMask方法.mp4
│ │ │ ├──8-损失模块输入参数分析.mp4
│ │ │ └──9-标签分配策略解读.mp4
│ │ ├──16-BEV特征空间
│ │ │ └──1-BEV特征空间.mp4
│ │ ├──17-BevFormer源码解读
│ │ │ ├──1-环境配置方法解读.mp4
│ │ │ ├──10-获取当前BEV特征.mp4
│ │ │ ├──11-Decoder级联校正模块.mp4
│ │ │ ├──12-损失函数与预测可视化.mp4
│ │ │ ├──2-数据集下载与配置方法.mp4
│ │ │ ├──3-特征提取以及BEV空间初始化.mp4
│ │ │ ├──4-特征对齐与位置编码初始化.mp4
│ │ │ ├──5-Reference初始点构建.mp4
│ │ │ ├──6-BEV空间与图像空间位置对应.mp4
│ │ │ ├──7-注意力机制模块计算方法.mp4
│ │ │ ├──8-BEV空间特征构建.mp4
│ │ │ └──9-Decoder要完成的任务分析.mp4
│ │ ├──18-时间序列预测
│ │ │ └──1-时间序列预测.mp4
│ │ ├──19-Informer时间序列源码解读
│ │ │ └──1-Informer时间序列源码解读.mp4
│ │ ├──2-视觉Transformer及其源码分析
│ │ │ └──1-视觉Transformer及其源码分析.mp4
│ │ ├──20-Huggingface与NLP（讲故事）
│ │ │ └──1-Huggingface与NLP（讲故事）.mp4
│ │ ├──3-VIT算法模型源码解读
│ │ │ ├──1-项目配置说明.mp4
│ │ │ ├──2-输入序列构建方法解读.mp4
│ │ │ ├──3-注意力机制计算.mp4
│ │ │ └──4-输出层计算结果.mp4
│ │ ├──4-swintransformer算法原理解析
│ │ │ ├──1-swintransformer整体概述.mp4
│ │ │ ├──10-分层计算方法.mp4
│ │ │ ├──2-要解决的问题及其优势分析.mp4
│ │ │ ├──3-一个block要完成的任务.mp4
│ │ │ ├──4-获取各窗口输入特征.mp4
│ │ │ ├──5-基于窗口的注意力机制解读.mp4
│ │ │ ├──6-窗口偏移操作的实现.mp4
│ │ │ ├──7-偏移细节分析及其计算量概述.mp4
│ │ │ ├──8-整体网络架构整合.mp4
│ │ │ └──9-下采样操作实现方法.mp4
│ │ ├──5-swintransformer源码解读
│ │ │ ├──1-数据与环境配置解读.mp4
│ │ │ ├──2-图像数据patch编码.mp4
│ │ │ ├──3-数据按window进行划分计算.mp4
│ │ │ ├──4-基础attention计算模块.mp4
│ │ │ ├──5-窗口位移模块细节分析.mp4
│ │ │ ├──6-patchmerge下采样操作.mp4
│ │ │ ├──7-各block计算方法解读.mp4
│ │ │ └──8-输出层概述.mp4
│ │ ├──6-基于Transformer的detr目标检测算法
│ │ │ ├──1-DETR目标检测基本思想解读.mp4
│ │ │ ├──2-整体网络架构分析.mp4
│ │ │ ├──3-位置信息初始化query向量.mp4
│ │ │ ├──4-注意力机制的作用方法.mp4
│ │ │ └──5-训练过程的策略.mp4
│ │ ├──7-detr目标检测源码解读
│ │ │ ├──1-项目环境配置解读.mp4
│ │ │ ├──2-数据处理与dataloader.mp4
│ │ │ ├──3-位置编码作用分析.mp4
│ │ │ ├──4-backbone特征提取模块.mp4
│ │ │ ├──5-mask与编码模块.mp4
│ │ │ ├──6-编码层作用方法.mp4
│ │ │ ├──7-Decoder层操作与计算.mp4
│ │ │ ├──8-输出预测结果.mp4
│ │ │ └──9-损失函数与预测输出.mp4
│ │ ├──8-DeformableDetr算法解读
│ │ │ └──1-DeformableDetr算法解读.mp4
│ │ ├──9-DeformableDetr物体检测源码分析
│ │ │ ├──1-特征提取与位置编码.mp4
│ │ │ ├──10-分类与回归输出模块.mp4
│ │ │ ├──11-预测输出结果与标签匹配模块.mp4
│ │ │ ├──2-序列特征展开并叠加.mp4
│ │ │ ├──3-得到相对位置点编码.mp4
│ │ │ ├──4-准备Encoder编码层所需全部输入.mp4
│ │ │ ├──5-编码层中的序列分析.mp4
│ │ │ ├──6-偏移量offset计算.mp4
│ │ │ ├──7-偏移量对齐操作.mp4
│ │ │ ├──8-Encoder层完成特征对齐.mp4
│ │ │ └──9-Decoder要完成的操作.mp4
│ │ ├──咨询VX ETH22009.txt
│ │ └──课程详细目录.txt
│ ├──11-图神经网络实战
│ │ ├──1-图神经网络基础
│ │ │ ├──1-图神经网络应用领域分析.mp4
│ │ │ ├──2-图基本模块定义.mp4
│ │ │ ├──3-邻接矩阵的定义.mp4
│ │ │ ├──4-GNN中常见任务.mp4
│ │ │ ├──5-消息传递计算方法.mp4
│ │ │ └──6-多层GCN的作用.mp4
│ │ ├──10-基于图模型的时间序列预测
│ │ │ └──1-基于图模型的时间序列预测.mp4
│ │ ├──11-异构图神经网络
│ │ │ └──1-异构图神经网络.mp4
│ │ ├──2-图卷积GCN模型
│ │ │ ├──1-GCN基本模型概述.mp4
│ │ │ ├──2-图卷积的基本计算方法.mp4
│ │ │ ├──3-邻接的矩阵的变换.mp4
│ │ │ └──4-GCN变换原理解读.mp4
│ │ ├──3-图模型必备神器PyTorch Geometric安装与使用
│ │ │ ├──1-PyTorch Geometric工具包安装与配置方法.mp4
│ │ │ ├──2-数据集与邻接矩阵格式.mp4
│ │ │ ├──3-模型定义与训练方法.mp4
│ │ │ └──4-文献引用数据集分类案例实战.mp4
│ │ ├──4-使用PyTorch Geometric构建自己的图数据集
│ │ │ ├──1-构建数据集基本方法.mp4
│ │ │ ├──2-数据集与任务背景概述.mp4
│ │ │ ├──3-数据集基本预处理.mp4
│ │ │ ├──4-用户行为图结构创建.mp4
│ │ │ ├──5-数据集创建函数介绍.mp4
│ │ │ ├──6-网络结构定义模块.mp4
│ │ │ ├──7-TopkPooling进行下采样任务.mp4
│ │ │ ├──8-获取全局特征.mp4
│ │ │ └──9-模型训练与总结.mp4
│ │ ├──5-图注意力机制与序列图模型
│ │ │ ├──1-图注意力机制的作用与方法.mp4
│ │ │ ├──2-邻接矩阵计算图Attention.mp4
│ │ │ ├──3-序列图神经网络CN应用.mp4
│ │ │ └──4-序列图神经网络细节.mp4
│ │ ├──6-图相似度论文解读
│ │ │ ├──1-要完成的任务分析.mp4
│ │ │ ├──2-基本方法概述解读.mp4
│ │ │ ├──3-图模型提取全局与局部特征.mp4
│ │ │ ├──4-NTN模块的作用与效果.mp4
│ │ │ ├──5-点之间的对应关系计算.mp4
│ │ │ └──6-结果输出与总结.mp4
│ │ ├──7-图相似度计算实战
│ │ │ ├──1-数据集与任务概述.mp4
│ │ │ ├──2-图卷积特征提取模块.mp4
│ │ │ ├──3-分别计算不同Batch点的分布.mp4
│ │ │ ├──4-获得直方图特征结果.mp4
│ │ │ ├──5-图的全局特征构建.mp4
│ │ │ ├──6-NTN图相似特征提取.mp4
│ │ │ └──7-预测得到相似度结果.mp4
│ │ ├──8-基于图模型的轨迹估计
│ │ │ ├──1-数据集与标注信息解读.mp4
│ │ │ ├──2-整体三大模块分析.mp4
│ │ │ ├──3-特征工程的作用与效果.mp4
│ │ │ ├──4-传统方法与现在向量空间对比.mp4
│ │ │ ├──5-输入细节分析.mp4
│ │ │ ├──6-子图模块构建方法.mp4
│ │ │ ├──7-特征融合模块分析.mp4
│ │ │ └──8-VectorNet输出层分析.mp4
│ │ ├──9-图模型轨迹估计实战
│ │ │ ├──1-数据与环境配置.mp4
│ │ │ ├──2-训练数据准备.mp4
│ │ │ ├──3-Agent特征提取方法.mp4
│ │ │ ├──4-DataLoader构建图结构.mp4
│ │ │ └──5-SubGraph与Attention模型流程.mp4
│ │ ├──咨询VX ETH22009.txt
│ │ └──课程详细目录.txt
│ ├──12-3D点云实战
│ │ ├──1-3D点云实战 3D点云应用领域分析
│ │ │ ├──1-点云数据概述.mp4
│ │ │ ├──2-点云应用领域与发展分析.mp4
│ │ │ ├──3-点云分割任务.mp4
│ │ │ ├──4-点云补全任务.mp4
│ │ │ ├──5-点云检测与配准任务.mp4
│ │ │ └──6-点云数据特征提取概述与预告.mp4
│ │ ├──2-3D点云PointNet算法
│ │ │ ├──1-3D数据应用领域与点云介绍.mp4
│ │ │ ├──2-点云数据可视化展示.mp4
│ │ │ ├──3-点云数据特性和及要解决的问题.mp4
│ │ │ ├──4-PointNet算法出发点解读.mp4
│ │ │ └──5-PointNet算法网络架构解读.mp4
│ │ ├──3-PointNet++算法解读
│ │ │ ├──1-PointNet升级版算法要解决的问题.mp4
│ │ │ ├──2-最远点采样方法.mp4
│ │ │ ├──3-分组Group方法原理解读.mp4
│ │ │ ├──4-整体流程概述分析.mp4
│ │ │ ├──5-分类与分割问题解决方案.mp4
│ │ │ └──6-遇到的问题及改进方法分析.mp4
│ │ ├──4-Pointnet++项目实战
│ │ │ ├──1-项目文件概述.mp4
│ │ │ ├──11-分割任务数据与配置概述.mp4
│ │ │ ├──12-分割需要解决的任务概述.mp4
│ │ │ ├──13-上采样完成分割任务.mp4
│ │ │ ├──2-数据读取模块配置.mp4
│ │ │ ├──3-DEBUG解读网络模型架构.mp4
│ │ │ ├──4-最远点采样介绍.mp4
│ │ │ ├──5-采样得到中心点.mp4
│ │ │ ├──6-组区域划分方法.mp4
│ │ │ ├──7-实现group操作得到各中心簇.mp4
│ │ │ ├──8-特征提取模块整体流程.mp4
│ │ │ └──9-预测结果输出模块.mp4
│ │ ├──5-点云补全PF-Net论文解读
│ │ │ ├──1-点云补全要解决的问题.mp4
│ │ │ ├──2-基本解决方案概述.mp4
│ │ │ ├──3-整体网络概述.mp4
│ │ │ ├──4-网络计算流程.mp4
│ │ │ └──5-输入与计算结果.mp4
│ │ ├──6-点云补全实战解读
│ │ │ ├──1-数据与项目配置解读.mp4
│ │ │ ├──2-待补全数据准备方法.mp4
│ │ │ ├──3-整体框架概述.mp4
│ │ │ ├──4-MRE特征提取模块.mp4
│ │ │ ├──5-分层预测输出模块.mp4
│ │ │ ├──6-补全点云数据.mp4
│ │ │ └──7-判别模块.mp4
│ │ ├──7-点云配准及其案例实战
│ │ │ ├──1-点云配准任务概述.mp4
│ │ │ ├──2-配准要完成的目标解读.mp4
│ │ │ ├──3-训练数据构建.mp4
│ │ │ ├──4-任务基本流程.mp4
│ │ │ ├──5-数据源配置方法.mp4
│ │ │ ├──6-参数计算模块解读.mp4
│ │ │ ├──7-基于模型预测输出参数.mp4
│ │ │ ├──8-特征构建方法分析.mp4
│ │ │ └──9-任务总结.mp4
│ │ ├──8-基础补充-对抗生成网络架构原理与实战解析
│ │ │ ├──1-对抗生成网络通俗解释.mp4
│ │ │ ├──2-GAN网络组成.mp4
│ │ │ ├──3-损失函数解释说明.mp4
│ │ │ ├──4-数据读取模块.mp4
│ │ │ └──5-生成与判别网络定义.mp4
│ │ ├──咨询VX ETH22009.txt
│ │ └──课程详细目录.txt
│ ├──13-面向深度学习的无人驾驶实战
│ │ ├──1-深度估计算法原理解读
│ │ │ ├──1-深度估计效果与应用.mp4
│ │ │ ├──10-损失计算.mp4
│ │ │ ├──2-kitti数据集介绍.mp4
│ │ │ ├──3-使用backbone获取层级特征.mp4
│ │ │ ├──4-差异特征计算边界信息.mp4
│ │ │ ├──5-SPP层的作用.mp4
│ │ │ ├──6-空洞卷积与ASPP.mp4
│ │ │ ├──7-特征拼接方法分析.mp4
│ │ │ ├──8-网络coarse-to-fine过程.mp4
│ │ │ └──9-权重参数预处理.mp4
│ │ ├──10-NeuralRecon项目源码解读
│ │ │ ├──1-Backbone得到特征图.mp4
│ │ │ ├──2-初始化体素位置.mp4
│ │ │ ├──3-坐标映射方法实现.mp4
│ │ │ ├──4-得到体素所对应特征图.mp4
│ │ │ ├──5-插值得到对应特征向量.mp4
│ │ │ ├──6-得到一阶段输出结果.mp4
│ │ │ ├──7-完成三个阶段预测结果.mp4
│ │ │ └──8-项目总结.mp4
│ │ ├──11-TSDF算法与应用
│ │ │ ├──1-TSDF整体概述分析.mp4
│ │ │ ├──2-合成过程DEMO演示.mp4
│ │ │ ├──3-布局初始化操作.mp4
│ │ │ ├──4-TSDF计算基本流程解读.mp4
│ │ │ ├──5-坐标转换流程分析.mp4
│ │ │ └──6-输出结果融合更新.mp4
│ │ ├──12-TSDF实战案例
│ │ │ ├──1-环境配置概述.mp4
│ │ │ ├──2-初始化与数据读取.mp4
│ │ │ └──3-计算得到TSDF输出.mp4
│ │ ├──13-轨迹估计算法与论文解读
│ │ │ ├──1-数据集与标注信息解读.mp4
│ │ │ ├──2-整体三大模块分析.mp4
│ │ │ ├──3-特征工程的作用与效果.mp4
│ │ │ ├──4-传统方法与现在向量空间对比.mp4
│ │ │ ├──5-输入细节分析.mp4
│ │ │ ├──6-子图模块构建方法.mp4
│ │ │ ├──7-特征融合模块分析.mp4
│ │ │ └──8-VectorNet输出层分析.mp4
│ │ ├──14-轨迹估计预测实战
│ │ │ ├──1-数据与环境配置.mp4
│ │ │ ├──2-训练数据准备.mp4
│ │ │ ├──3-Agent特征提取方法.mp4
│ │ │ ├──4-DataLoader构建图结构.mp4
│ │ │ └──5-SubGraph与Attention模型流程.mp4
│ │ ├──15-特斯拉无人驾驶解读
│ │ │ └──1-特斯拉无人驾驶解读.mp4
│ │ ├──2-深度估计项目实战
│ │ │ ├──1-项目环境配置解读.mp4
│ │ │ ├──10-损失函数通俗解读.mp4
│ │ │ ├──11-模型DEMO输出结果.mp4
│ │ │ ├──2-数据与标签定义方法.mp4
│ │ │ ├──3-数据集dataloader制作.mp4
│ │ │ ├──4-使用backbone进行特征提取.mp4
│ │ │ ├──5-计算差异特征.mp4
│ │ │ ├──6-权重参数标准化操作.mp4
│ │ │ ├──7-网络结构ASPP层.mp4
│ │ │ ├──8-特征拼接方法解读.mp4
│ │ │ └──9-输出深度估计结果.mp4
│ │ ├──3-车道线检测算法与论文解读
│ │ │ ├──1-数据标签与任务分析.mp4
│ │ │ ├──2-网络整体框架分析.mp4
│ │ │ ├──3-输出结果分析.mp4
│ │ │ ├──4-损失函数计算方法.mp4
│ │ │ └──5-论文概述分析.mp4
│ │ ├──4-基于深度学习的车道线检测项目实战
│ │ │ ├──1-车道数据与标签解读.mp4
│ │ │ ├──10-车道线规则损失函数限制.mp4
│ │ │ ├──11-DEMO制作与配置.mp4
│ │ │ ├──2-项目环境配置演示.mp4
│ │ │ ├──3-制作数据集dataloader.mp4
│ │ │ ├──4-车道线标签数据处理.mp4
│ │ │ ├──5-四条车道线标签位置矩阵.mp4
│ │ │ ├──6-grid设置方法.mp4
│ │ │ ├──7-完成数据与标签制作.mp4
│ │ │ ├──8-算法网络结构解读.mp4
│ │ │ └──9-损失函数计算模块分析.mp4
│ │ ├──5-商汤LoFTR算法解读
│ │ │ ├──1-特征匹配的应用场景.mp4
│ │ │ ├──10-总结分析.mp4
│ │ │ ├──2-特征匹配的基本流程分析.mp4
│ │ │ ├──3-整体流程梳理分析.mp4
│ │ │ ├──4-CrossAttention的作用与效果.mp4
│ │ │ ├──5-transformer构建匹配特征.mp4
│ │ │ ├──6-粗粒度匹配过程与作用.mp4
│ │ │ ├──7-特征图拆解操作.mp4
│ │ │ ├──8-细粒度匹配的作用与方法.mp4
│ │ │ └──9-基于期望预测最终位置.mp4
│ │ ├──6-局部特征关键点匹配实战
│ │ │ ├──1-项目与参数配置解读.mp4
│ │ │ ├──10-得到精细化输出结果.mp4
│ │ │ ├──11-通过期望计算最终输出.mp4
│ │ │ ├──2-DEMO效果演示.mp4
│ │ │ ├──3-backbone特征提取模块.mp4
│ │ │ ├──4-注意力机制的作用与效果分析.mp4
│ │ │ ├──5-特征融合模块实现方法.mp4
│ │ │ ├──6-cross关系计算方法实例.mp4
│ │ │ ├──7-粗粒度匹配过程.mp4
│ │ │ ├──8-完成基础匹配模块.mp4
│ │ │ └──9-精细化调整方法与实例.mp4
│ │ ├──7-三维重建应用与坐标系基础
│ │ │ ├──1-三维重建概述分析.mp4
│ │ │ ├──2-三维重建应用领域概述.mp4
│ │ │ ├──3-成像方法概述.mp4
│ │ │ ├──4-相机坐标系.mp4
│ │ │ ├──5-坐标系转换方法解读.mp4
│ │ │ ├──6-相机内外参.mp4
│ │ │ ├──7-通过内外参数进行坐标变换.mp4
│ │ │ └──8-相机标定简介.mp4
│ │ ├──8-NeuralRecon算法解读
│ │ │ ├──1-任务流程分析.mp4
│ │ │ ├──2-基本框架熟悉.mp4
│ │ │ ├──3-特征映射方法解读.mp4
│ │ │ ├──4-片段融合思想.mp4
│ │ │ └──5-整体架构重构方法.mp4
│ │ ├──9-NeuralRecon项目环境配置
│ │ │ ├──1-数据集下载与配置方法.mp4
│ │ │ ├──2-Scannet数据集内容概述.mp4
│ │ │ ├──3-TSDF标签生成方法.mp4
│ │ │ ├──4-ISSUE的作用.mp4
│ │ │ └──5-完成依赖环境配置.mp4
│ │ ├──咨询VX ETH22009.txt
│ │ └──课程详细目录.txt
│ ├──14-对比学习与多模态任务实战
│ │ ├──1-对比学习算法与实例
│ │ │ └──1-对比学习算法与实例.mp4
│ │ ├──2-CLIP系列
│ │ │ └──1-CLIP系列.mp4
│ │ ├──3-多模态3D目标检测算法源码解读
│ │ │ ├──1-环境配置与数据集概述.mp4
│ │ │ ├──10-3D卷积特征融合.mp4
│ │ │ ├──11-输出层预测结果.mp4
│ │ │ ├──2-数据与标注文件介绍.mp4
│ │ │ ├──3-基本流程梳理并进入debug模式.mp4
│ │ │ ├──4-数据与图像特征提取模块.mp4
│ │ │ ├──5-体素索引位置获取.mp4
│ │ │ ├──6-体素特征提取方法解读.mp4
│ │ │ ├──7-体素特征计算方法分析.mp4
│ │ │ ├──8-全局体素特征提取.mp4
│ │ │ └──9-多模态特征融合.mp4
│ │ ├──4-多模态文字识别
│ │ │ └──1-多模态文字识别.mp4
│ │ ├──5-ANINET源码解读
│ │ │ ├──1-数据集与环境概述.mp4
│ │ │ ├──2-配置文件修改方法.mp4
│ │ │ ├──3-Bakbone模块得到特征.mp4
│ │ │ ├──4-视觉Transformer模块的作用.mp4
│ │ │ ├──5-视觉模型中的编码与解码的效果.mp4
│ │ │ ├──6-文本模型中的结构分析.mp4
│ │ │ ├──7-迭代修正模块.mp4
│ │ │ └──8-输出层与损失计算.mp4
│ │ ├──咨询VX ETH22009.txt
│ │ └──课程详细目录.txt
│ ├──15-缺陷检测实战
│ │ ├──1-课程介绍
│ │ │ └──1-课程介绍.mp4
│ │ ├──10-基于Opencv缺陷检测项实战
│ │ │ ├──1-任务需求与环境配置.mp4
│ │ │ ├──2-数据读取与基本处理.mp4
│ │ │ ├──3-缺陷形态学操作.mp4
│ │ │ ├──4-整体流程解读.mp4
│ │ │ └──5-缺陷检测效果演示.mp4
│ │ ├──11-基于视频流线的Opencv缺陷检测项
│ │ │ ├──1-数据与任务概述.mp4
│ │ │ ├──2-视频数据读取与轮廓检测.mp4
│ │ │ ├──3-目标质心计算.mp4
│ │ │ ├──4-视频数据遍历方法.mp4
│ │ │ ├──5-缺陷区域提取.mp4
│ │ │ ├──6-不同类型的缺陷检测方法.mp4
│ │ │ └──7-检测效果演示.mp4
│ │ ├──12-图像分割deeplab系列算法
│ │ │ ├──1-deeplab分割算法概述.mp4
│ │ │ ├──2-空洞卷积的作用.mp4
│ │ │ ├──3-感受野的意义.mp4
│ │ │ ├──4-SPP层的作用.mp4
│ │ │ ├──5-ASPP特征融合策略.mp4
│ │ │ └──6-deeplabV3Plus版本网络架构.mp4
│ │ ├──13-基于deeplabV3+版本进VOC分割实战
│ │ │ ├──1-PascalVoc数据集介绍.mp4
│ │ │ ├──2-项目参数与数据集读取.mp4
│ │ │ ├──3-网络前向传播流程.mp4
│ │ │ ├──4-ASPP层特征融合.mp4
│ │ │ └──5-分割模型训练.mp4
│ │ ├──14-Deeplab铁质材料缺陷检测与开源项应流程
│ │ │ ├──1-数据集与任务概述.mp4
│ │ │ ├──2-开源项目应用方法.mp4
│ │ │ ├──3-github与kaggle中需要注意的点.mp4
│ │ │ ├──4-源码的利用方法.mp4
│ │ │ ├──5-数据集制作方法.mp4
│ │ │ ├──6-数据路径配置.mp4
│ │ │ ├──7-训练模型.mp4
│ │ │ └──8-任务总结.mp4
│ │ ├──2-物体检框架YOLO-V4版本算法解读
│ │ │ ├──1-V4版本整体概述.mp4
│ │ │ ├──10-PAN模块解读.mp4
│ │ │ ├──11-激活函数与整体架构总结.mp4
│ │ │ ├──2-V4版本贡献解读.mp4
│ │ │ ├──3-数据增强策略分析.mp4
│ │ │ ├──4-DropBlock与标签平滑方法.mp4
│ │ │ ├──5-损失函数遇到的问题.mp4
│ │ │ ├──6-CIOU损失函数定义.mp4
│ │ │ ├──7-NMS细节改进.mp4
│ │ │ ├──8-SPP与CSP网络结构.mp4
│ │ │ └──9-SAM注意力机制模块.mp4
│ │ ├──3-物体检测框架YOLOV5版本项目配置
│ │ │ ├──1-整体项目概述.mp4
│ │ │ ├──2-训练自己的数据集方法.mp4
│ │ │ ├──3-训练数据参数配置.mp4
│ │ │ └──4-测试DEMO演示.mp4
│ │ ├──4-物体检测框架YOLOV5项目工程源码解读
│ │ │ ├──1-数据源DEBUG流程解读.mp4
│ │ │ ├──10-完成配置文件解析任务.mp4
│ │ │ ├──11-前向传播计算.mp4
│ │ │ ├──12-BottleneckCSP层计算方法.mp4
│ │ │ ├──13-SPP层计算细节分析.mp4
│ │ │ ├──14-Head层流程解读.mp4
│ │ │ ├──15-上采样与拼接操作.mp4
│ │ │ ├──16-输出结果分析.mp4
│ │ │ ├──17-超参数解读.mp4
│ │ │ ├──18-命令行参数介绍.mp4
│ │ │ ├──19-训练流程解读.mp4
│ │ │ ├──2-图像数据源配置.mp4
│ │ │ ├──20-各种训练策略概述.mp4
│ │ │ ├──21-模型迭代过程.mp4
│ │ │ ├──3-加载标签数据.mp4
│ │ │ ├──4-Mosaic数据增强方法.mp4
│ │ │ ├──5-数据四合一方法与流程演示.mp4
│ │ │ ├──6-getItem构建batch.mp4
│ │ │ ├──7-网络架构图可视化工具安装.mp4
│ │ │ ├──8-V5网络配置文件解读.mp4
│ │ │ └──9-Focus模块流程分析.mp4
│ │ ├──5-基于YOLOV5的钢材缺陷检测实战
│ │ │ ├──1-任务需求与项目概述.mp4
│ │ │ ├──2-数据与标签配置方法.mp4
│ │ │ ├──3-标签转换格式脚本制作.mp4
│ │ │ ├──4-各版本模型介绍分析.mp4
│ │ │ ├──5-项目参数配置.mp4
│ │ │ ├──6-缺陷检测模型训练.mp4
│ │ │ └──7-输出结果与项目总结.mp4
│ │ ├──6-Semi-supervised布料缺陷检测实战
│ │ │ ├──1-任务目标与流程概述.mp4
│ │ │ ├──2-论文思想与模型分析.mp4
│ │ │ ├──3-项目配置解读.mp4
│ │ │ ├──4-网络流程分析.mp4
│ │ │ └──5-输出结果展示.mp4
│ │ ├──7-Opencv图像常处理法实例
│ │ │ ├──1-计算机眼中的图像.mp4
│ │ │ ├──10-膨胀操作.mp4
│ │ │ ├──11-开运算与闭运算.mp4
│ │ │ ├──12-梯度计算.mp4
│ │ │ ├──13-礼帽与黑帽.mp4
│ │ │ ├──2-视频的读取与处理.mp4
│ │ │ ├──3-ROI区域.mp4
│ │ │ ├──4-边界填充.mp4
│ │ │ ├──5-数值计算.mp4
│ │ │ ├──6-图像阈值.mp4
│ │ │ ├──7-图像平滑处理.mp4
│ │ │ ├──8-高斯与中值滤波.mp4
│ │ │ └──9-腐蚀操作.mp4
│ │ ├──8-Opencv梯度计算与边缘检测实例
│ │ │ ├──1-Canny边缘检测流程.mp4
│ │ │ ├──2-非极大值抑制.mp4
│ │ │ ├──3-边缘检测效果.mp4
│ │ │ ├──4-Sobel算子.mp4
│ │ │ ├──5-梯度计算方法.mp4
│ │ │ └──6-scharr与lapkacian算子.mp4
│ │ ├──9-Opencv轮廓检测与直图
│ │ │ ├──1-图像金字塔定义.mp4
│ │ │ ├──10-均衡化效果.mp4
│ │ │ ├──11-傅里叶概述.mp4
│ │ │ ├──12-频域变换结果.mp4
│ │ │ ├──13-低通与高通滤波.mp4
│ │ │ ├──2-金字塔制作方法.mp4
│ │ │ ├──3-轮廓检测方法.mp4
│ │ │ ├──4-轮廓检测结果.mp4
│ │ │ ├──5-轮廓特征与近似.mp4
│ │ │ ├──6-模板匹配方法.mp4
│ │ │ ├──7-匹配效果展示.mp4
│ │ │ ├──8-直方图定义.mp4
│ │ │ └──9-均衡化原理.mp4
│ │ ├──咨询VX ETH22009.txt
│ │ └──课程详细目录.txt
│ ├──16-行人重识别实战
│ │ ├──1-行人重识别原理及其应用
│ │ │ ├──1-行人重识别要解决的问题.mp4
│ │ │ ├──2-挑战与困难分析.mp4
│ │ │ ├──3-评估标准rank1指标.mp4
│ │ │ ├──4-map值计算方法.mp4
│ │ │ ├──5-triplet损失计算实例.mp4
│ │ │ └──6-Hard-Negative方法应用.mp4
下载地址:
**** Hidden Message ***** 资源更新速度太给力了！管理员是AI吧？ 围观，沙发在哪里？无脑送！ 正能量传播：在长期主义者的眼中，生活简单纯粹，没有雄心壮志的目标，有的只是日益传播正能量：精进的每一件小事，如同节奏稳建的匀速慢跑。
页:
[1]